一种基于模型数据双驱动的动态状态估计方法和系统技术方案

本发明专利技术公开了一种基于模型数据双驱动的动态状态估计方法和系统，包括：获取电力系统的实时节点功率量测信息，并识别当前时刻异常信息，对应的节点为异常点；采用数据驱动预测模型得到异常点处的功率预测值；基于模型驱动预测模型得到异常点处的功率预测值；对预测值进行学习，得到异常点处的最终功率预测结果；将最终功率预测结果作为当前时刻的伪量测量，替换当前时刻的异常信息，采用替换异常信息后的当前时刻的全部节点功率量测信息进行状态估计，实现基于模型数据双驱动的动态状态估计。本发明专利技术提高了输入数据的可靠性和状态估计量测量的准确度，更加能够反映实际电力系统状态。态。态。

【技术实现步骤摘要】
一种基于模型数据双驱动的动态状态估计方法和系统


[0001]本专利技术属于电力系统动态状态估计
，涉及一种基于模型数据双驱动的动态状态估计方法和系统。

技术介绍

[0002]电力系统状态估计是维护电力系统安全运行的前提，但在实际配网中由于缺少量测装置和随机误差等原因，量测数据存在数据缺失和不良数据的问题，降低了状态估计的可靠性，目前已有二次线性状态估计检测不良数据的方法，但该方法的计算效率不高，难以满足配网对电力系统检测量的实时性要求，因此亟需对实时量测数据进行异常检测。
[0003]而对于检测出的异常数据，需要基于历史数据进行预测替换，常规的预测方法有模型驱动和数据驱动两种，模型驱动基于物理模型，具有强解释性和因果逻辑，模型的泛化性能较好，但由于模型驱动主要考虑的因素为荷载因子和消耗需求，模型的预测精度较低；而基于数据驱动的深度神经网络，其基本原理是基于深层的非线性神经网络从大量高维样本中学到深层次的特征，实现复杂函数的逼近，预测精度相较于模型驱动高，但数据驱动对数据的依赖性很高，因此对数据的质量要求严格，其泛化性能相较于模型驱动较弱。因此，需要找到一种方法能够融合两种驱动方法，实现兼顾精度与泛化性能的数据预测，为后续实现精度更高的状态估计提供有力的数据支撑。
[0004]同时针对配电网中的非高斯量测噪声的问题，常规的基于卡尔曼滤波框架的状态估计方法，其中假设的所有噪声，包括条件概率、联合概率等均高斯分布，虽然便于得到状态估计计算过程中的解析解，但对于非线性非高斯的动态系统，所有概率都有可能不是高斯分布的，而这种情况在配网中尤其常见，因此在状态估计中是无法得到解析解的，常规的基于卡尔曼滤波的状态框架并不能适用于配网情况，因此为解决配网量测数据中存在非高斯噪声的问题，亟需找到一种模型能够解决卡尔曼滤波易被噪声模型限制的问题，此研究具有较好的实际应用价值。

技术实现思路

[0005]为解决现有技术中存在的不足，本专利技术提供一种基于模型数据双驱动的动态状态估计方法和系统，能够对实时量测数据进行异常检测，融合模型数据预测驱动方法实现对量测量的精确预测，并解决配网非高斯噪声的问题，提高电力系统状态估计的准确度。
[0006]本专利技术采用如下的技术方案。
[0007]一种基于模型数据双驱动的动态状态估计方法，包括以下步骤：S1：获取电力系统的实时节点功率量测信息，并结合历史节点功率量测信息对实时节点功率量测信息进行异常分数计算，识别当前时刻异常信息，对应的节点为异常点；S2：采用历史节点功率量测信息和预训练的基于LSTM神经网络的数据驱动预测模型得到异常点处的功率预测值；S3：基于模型驱动预测模型进行负荷实时分类预测，得到异常点处的功率预测值；
S4：结合历史节点功率量测信息，对S2与S3得到的预测值进行学习，得到异常点处的最终功率预测结果；S5：将最终功率预测结果作为当前时刻的伪量测量，替换当前时刻的异常信息，采用替换异常信息后的当前时刻的全部节点功率量测信息进行状态估计，实现基于模型数据双驱动的动态状态估计。
[0008]优选地，S1中，节点功率量测信息包括节点注入功率和线路功率，其中节点注入功率包括节点的注入有功功率和无功功率，线路功率包括线路的有功功率和无功功率。
[0009]优选地，S1中，识别异常信息的过程包括：1）将历史节点功率量测信息分为注入有功功率和无功功率、线路有功功率和无功功率四个量测集合，对于每个集合，从中随机选择M个信息样本，并将其作为树的根节点，随机生成切割点，以切割点信息大小为标准将样本分割为两个部分置于切割点两侧，在子节点中重复切割，直到最终剩下一个信息数据或是子节点达到限定高度；循环随机生成切割点及重复切割操作，生成K颗树；2）将每个集合所生成的K棵树计算平均高度，进而计算集合中样本信息异常分数，异常分数超过设定阈值则表示样本信息异常。
[0010]优选地，对于量测集合g，其样本信息异常分数为：(3)(2)其中，h(g)为量测集合g对应树中每个样本点从根节点到其所在节点所经过路径长度关于样本数m的平均；E(h(g))为K棵树的h(g)的平均值。
[0011]为m个样本的平均高度；，为欧拉常数。
[0012]优选地，S2中，对基于LSTM神经网络的数据驱动预测模型预训练时，LSTM神经网络的神经元内信息传递遵循的公式如下：(5)(6)(7)(8)(9)(10)
其中，分别代表遗忘门、输入门和输出门；、、分别表示遗忘门、输入门和输出门的权重；、、、分别表示遗忘门、输入门、输出门和神经单元状态的门控单元偏置量；表示LSTM单元的输入向量；、分别代表上一时刻和当前时刻神经元的状态；代表当前时刻t的输入节点的状态；、分别代表上一时刻和当前时刻隐藏层状态变量；和tanh分别代表Sigmoid函数和Tanh函数。
[0013]优选地，S3中，采用模型驱动预测模型，根据异常信息所在节点的负荷类型得出异常点处的注入有功功率预测值，在功率因数的基础上，计算异常信息所在节点注入无功功率的预测值，通过潮流计算得出异常点所在支路功率信息的预测值。
[0014]优选地，异常点处的注入有功功率预测值为：(12)(11)其中，为t时刻异常信息所在节点i的注入有功功率；C表示异常信息所在节点i的负荷类型的数量；为t时刻异常信息所在节点i的上游变电站节点r所服务的总节点数；表示t时刻异常信息所在节点i的类型为p的负荷的有功功率；表示t时刻异常信息所在节点上游变电站节点r的遥测功率；表示t时刻类型为p的负荷的荷载模型系数；表示荷载模型系数的平均值；
表示类型为p的负荷在节点i处的消耗需求。
[0015]优选地，所述异常信息所在节点注入无功功率的预测值计算式为：
[0016]其中，为t时刻异常信息所在节点i的注入无功功率；表示t时刻异常信息所在节点i的类型为p的负荷的有功功率；C表示异常信息所在节点i的负荷类型的数量；为节点i处负荷类型为p的功率因数。
[0017]优选地，S4具体过程为：分别采用S2和S3得到的异常点处的功率预测值，替换S1实时节点功率量测信息中的异常信息，并结合S2中的历史节点功率量测信息形成两大组训练集，对每大组训练集进行如下预测操作：将训练集分成若干小组，以用于训练多个基学习器，其中小组数量与基学习器数量相同；采用每小组数据训练与其对应的基学习器，每个基学习器输出各自的预测结果；将所有基学习器的输出作为元学习器的输入进行训练，元学习器的输出作为异常点处的功率预测值。
[0018]优选地，S5中，采用替换异常信息后的当前时刻的全部节点功率量测信息进行状态估计的模型为：(13)(14)其中，表示t时刻的状态估计值；表示t时刻的状态转移函数；，分别表示过程噪声和量测噪声；为基于粒子滤波的量测量到状态量的非线型映射函数。
[0019]11、根据权利要求10所述的一种基于模型数据双驱动的动态状态估计方法，其特征在于：从量测量到状态量的非线型映射逻辑为：采用状态后验概率表示状态估计结果，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型数据双驱动的动态状态估计方法，其特征在于：所述方法包括以下步骤：S1：获取电力系统的实时节点功率量测信息，并结合历史节点功率量测信息对实时节点功率量测信息进行异常分数计算，识别当前时刻异常信息，对应的节点为异常点；S2：采用历史节点功率量测信息和预训练的基于LSTM神经网络的数据驱动预测模型得到异常点处的功率预测值；S3：基于模型驱动预测模型进行负荷实时分类预测，得到异常点处的功率预测值；S4：结合历史节点功率量测信息，对S2与S3得到的预测值进行学习，得到异常点处的最终功率预测结果；S5：将最终功率预测结果作为当前时刻的伪量测量，替换当前时刻的异常信息，采用替换异常信息后的当前时刻的全部节点功率量测信息进行状态估计，实现基于模型数据双驱动的动态状态估计。2.根据权利要求1所述的一种基于模型数据双驱动的动态状态估计方法，其特征在于：S1中，节点功率量测信息包括节点注入功率和线路功率，其中节点注入功率包括节点的注入有功功率和无功功率，线路功率包括线路的有功功率和无功功率。3.根据权利要求1所述的一种基于模型数据双驱动的动态状态估计方法，其特征在于：S1中，识别异常信息的过程包括：1）将历史节点功率量测信息分为注入有功功率和无功功率、线路有功功率和无功功率四个量测集合，对于每个集合，从中随机选择M个信息样本，并将其作为树的根节点，随机生成切割点，以切割点信息大小为标准将样本分割为两个部分置于切割点两侧，在子节点中重复切割，直到最终剩下一个信息数据或是子节点达到限定高度；循环随机生成切割点及重复切割操作，生成K颗树；2）将每个集合所生成的K棵树计算平均高度，进而计算集合中样本信息异常分数，异常分数超过设定阈值则表示样本信息异常。4.根据权利要求3所述的一种基于模型数据双驱动的动态状态估计方法，其特征在于：对于量测集合g，其样本信息异常分数为：(3)(2)其中，h(g)为量测集合g对应树中每个样本点从根节点到其所在节点所经过路径长度关于样本数m的平均；E(h(g))为K棵树的h(g)的平均值；为m个样本的平均高度；为中间计算参数，为欧拉常数。5.根据权利要求1所述的一种基于模型数据双驱动的动态状态估计方法，其特征在于：
S2中，对基于LSTM神经网络的数据驱动预测模型预训练时，LSTM神经网络的神经元内信息传递遵循的公式如下：(5)(6)(7)(8)(9)(10)其中，分别代表遗忘门、输入门和输出门；、、分别表示遗忘门、输入门和输出门的权重；、、、分别表示遗忘门、输入门、输出门和神经单元状态的门控单元偏置量；表示LSTM单元的输入向量；、分别代表上一时刻和当前时刻神经元的状态；代表当前时刻t的输入节点的状态；、分别代表上一时刻和当前时刻隐藏层状态变量；和tanh分别代表Sigmoid函数和Tanh函数。6.根据权利要求1所述的一种基于模型数据双驱动的动态状态估计方法，其特征在于：S3中，采用模型驱动预测模型，根据异常信息所在节点的负荷类型得出异常点处的注入有功功率预测值，在功率因数的基础上，计算异常信息所在节点注入无功功率的预测值，通过潮流计算得出异常点所在支路功率信息的预测值。7.根据权利要求6所述的一种基于模型数据双驱动的动态状态估计方法，其特征在于：异常点处的注入有功功率预测值为：(12)
(11)其中，为t时刻异常信息所在节点i的注入有功功率；C表示异常信息所在节点i的负荷类型的数量；为t时刻异常信息所在节点i的上游变电站节...

【专利技术属性】
技术研发人员：赵家庆，苏大威，吕洋，姜学宝，田江，张琦兵，邹铁，赵奇，丁宏恩，李春，俞瑜，徐秀之，赵慧，吴博文，王鼎，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：